Dynamic Assessment of Road Network Vulnerability Based on Cell Transmission Model
Notice bibliographique
Résumé
The road network maintaining stability is critical for guaranteeing urban traffic function. Therefore, the vulnerable links need to be identified accurately. Previous vulnerability research under static condition compared the operating states of the old equilibrium before the event and the new equilibrium after the event to assess vulnerability ignoring the dynamic variation process. Does road network vulnerability change over time? This paper combines the vulnerability assessment with the traffic flow evolution process, exploring the road network vulnerability evaluation from the perspective of time dimension. More accurate identification and evaluation of vulnerable nodes and links can help to strengthen the ability of road network resisting disturbances. A modified dynamic traffic assignment (DTA) model is established for dynamic path selection (reselect the shortest path at the end of each link) based on the dynamic user optimal (DUO) principle. A modified cell transmission model is established to simulate the traffic flow evolution processes. The cumulative and time-varying index of vulnerability assessment is established from the viewpoint of traveler’s time loss. Then the road network vulnerability assessment combined the traffic flow model with the vulnerability index. The road network vulnerability assessment of Bao’an Central District of Shenzhen, China, reveals that road network vulnerability does contain a dynamic process, and vulnerable links in each phase can be exactly identified by the model. Results showed that the road network would have a large vulnerability during the disordered phase when the main road fails. Therefore, prioritizing the smooth flow of main roads can weaken the impact of road network vulnerability exposure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».